Geometric Prior Based Deep Human Point Cloud Geometry Compression

要約

タイトル：幾何学的事前情報を利用した深層人物ポイントクラウドジオメトリ圧縮

要約：

– デジタルアバターの出現に伴い、現実的で複雑な詳細を備えた人間ポイントクラウドの需要が急増しており、数百万のポイントからなる圧倒的なデータ量での圧縮は困難となっている。
– 本研究では、人間の幾何学的事前情報をポイントクラウドの幾何学的冗長性除去に活用し、圧縮性能を大幅に向上させた。
– 具体的には、事前情報は幾何学的初期化として、トポロジカルな制約を提供し、コンパクトなパラメータセットで適応的な調整を可能にする。そのため、高解像度な人間ポイントクラウドは、幾何学的事前情報と構造的偏差の組み合わせとして想像できる。
– 事前情報はまず揃えられたポイントクラウドから派生し、その後、特徴の差分をコンパクトな潜在コードに圧縮することができる。
– 提案されたフレームワークは、既存の学習ベースのポイントクラウド圧縮方法とプレイアンドプラグのように操作できる。
– 大規模な実験結果は、圧縮性能を大幅に向上させ、品質を低下させることなく、多様なアプリケーションで有効であることを示している。

要約(オリジナル)

The emergence of digital avatars has raised an exponential increase in the demand for human point clouds with realistic and intricate details. The compression of such data becomes challenging with overwhelming data amounts comprising millions of points. Herein, we leverage the human geometric prior in geometry redundancy removal of point clouds, greatly promoting the compression performance. More specifically, the prior provides topological constraints as geometry initialization, allowing adaptive adjustments with a compact parameter set that could be represented with only a few bits. Therefore, we can envisage high-resolution human point clouds as a combination of geometric priors and structural deviations. The priors could first be derived with an aligned point cloud, and subsequently the difference of features is compressed into a compact latent code. The proposed framework can operate in a play-and-plug fashion with existing learning based point cloud compression methods. Extensive experimental results show that our approach significantly improves the compression performance without deteriorating the quality, demonstrating its promise in a variety of applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI